Laboratorio 5: El Pandas no muerde (act. II) 🐼

MDS7202: Laboratorio de Programación Científica para Ciencia de Datos

Cuerpo Docente:

Equipo: SUPER IMPORTANTE - notebooks sin nombre no serán revisados

Temas a tratar

Reglas:

Objetivos principales del laboratorio

Nota: El laboratorio deberá ser desarrollado sin el uso indiscriminado de iteradores nativos de python (aka "for", "while"). La idea es que aprendan a exprimir al máximo las funciones optimizadas que nos entrega pandas, las cuales vale mencionar, son bastante más eficientes que los iteradores nativos sobre DataFrames.

Importamos librerias utiles 😸

1. Rendimiento en Estudiantes 📚

Para este laboratorio deberán continuar el Análisis Exploratorio de datos sobre el conjunto students_grades, el cual contiene una caracterización sobre el rendimiento y otros atributos de cada alumno de la Universidad de la Cachaña .

Carga de Datos [0.5 Puntos]

Ya finalizado en análisis inicial, ud. y su equipo le entregaron a Don Caguayo (rector de la Universidad de la Cachaña) tanto los resultados del análisis como también la base de datos limpia y lista para ser almacenada. Dada la ingente cantidad de los datos, el equipo de TI de la universidad resolvió separar el dataset en dos bases de datos distintas (lo que según argumentan ellos, permitiría hacer agregaciones de forma más eficiente).

Gracias a la excelente labor de ud. y su equipo en el análisis previo, el rector le solicita continuar el trabajo con una nueva batería de análisis. Por este motivo, la sección de TI les entrega nuevamente los datos. Sin embargo, argumentan que dada una escazes de personal, solo le entregarán dumps (copias) de cada base de datos y su equipo deberá unir las bases de datos. Los datos se encuentran en los siguiente archivos .json: students_grades_1.json y students_grades_2.json.

Por ende, ud. y su equipo deciden que la primera tarea se centrará en cargar estos datos y unirlos.

No se preocupe por la limpieza ni transformar el tipo de datos de las columnas, ni tampoco transformar a notas chilenas, recuerde que anteriormente ya se encargo de este tema.

Resultado esperado:

1.2- Análisis de Las Notas v2 [2 Punto por Gráficos + 0.5 respuesta]

Preocupado por la dificultad que representa el graficar correctamente las notas, el rector le solicita implementar distintas alternativas de visualización.

Para esto, genere un boxplot, un displot, un histograma con un gráfico marginal de caja y un histograma con el ramo como faceta de fila que permitan visualizar las notas.

Luego, responda las siguientes pregunta:

  1. ¿Existe una diferencia notable entre las notas?

  2. ¿Cuál de los gráficos mostrados cree que es adecuado para mostrarle al rector? ¿Y a los padres? ¿Y a un centro de estudios educativos? ¿Por qué?. Base sus respuestas en lo visto en la clase de visualizaciones como también en lo que usted y su equipo consideren correcto.

Hint: Para elaborar el histograma, puede que le sea de utilidad hacer un melt del DataFrame, dejando como variables los ramos y valores las notas. Por otra parte, visiten la documentación para generar los gráficos.

Gráfico de Caja:

Distplot:

Histograma con Boxplots:

Histograma con Faceta:

Resultados Esperados:

Justifique:

  1. ¿Existe una diferencia notable entre las notas?

  2. ¿Cuál de los gráficos mostrados cree que es adecuado para mostrarle al rector? ¿Y a los padres? ¿Y a un centro de estudios educativos? ¿Por qué?. Base sus respuestas en lo visto en la clase de visualizaciones como también en lo que usted y su equipo consideren correcto.

Hint: Para elaborar el histograma, puede que le sea de utilidad hacer un melt del DataFrame, dejando como variables los ramos y valores las notas. Por otra parte, visiten la documentación para generar los gráficos.

  1. ¿Existe una diferencia notable entre las notas?

R: Según los gráficos, las 3 notas tienen una distribución similar, tanto en desviación,centro y en su forma. Salvo la prueba de matematicas que, aparentemente, está mas centrada hacía la izquierda que las otras 2.

  1. ¿Cuál de los gráficos mostrados cree que es adecuado para mostrarle al rector? ¿Y a los padres? ¿Y a un centro de estudios educativos? ¿Por qué?. Base sus respuestas en lo visto en la clase de visualizaciones como también en lo que usted y su equipo consideren correcto.

R: El gráfico adecuado depende del público, de los 4 gráficos realizados solo uno no permite observar correctamente las diferencias entre las notas, siendo este el gráfico de "facetas".

A los padres, dado que no podemos asumir ningún tipo de conocimiento estadistico, consideramos que el gráfico correcto es el "displot" dado que permite observar las distribuciónes sin información extra y permite observar un panorama general de la situación.

Al rector quizá le interesa saber un poco más y además se espera que tenga cierto conocimiento estadistico. Por lo que el gráfico de caja puede ser el indicado pues puede saber con más certeza donde esta la mediana y los cuartiles 3 y 1 de las ditribuciónes junto con los casos extremos que podrían ser considerados como casos criticos por ej en los puntos más alejados en los boxplots de matematicas.

Al centro de estudios, dado que su función debiera ser analizar por completo el panorama educativo y con ellos tomar desiciones, mientras más información tengan disponible es mejor para ellos, además se espera que por pertenecer a este centro cuenten con conocimientos para poder interpretar por completo un gráfico, por tanto se le asignaría el gráfico del histograma + boxplots.

2. Análisis por Nivel Educacional Etnia de los Padres

El rector, basado en su experiencia, cree fuertemente que el nivel educacional y la etnia de los padres influyen en las notas que obtienen sus hijos. Como científicos de datos, ud. y su equipo creen que deben encontrar evidencia para confirmar o refutar la hipótesis del rector.

Para esto, deciden generar dos análisis: una tabla de resumen por una parte y gráficos de caja por otro.

1.3.4 Tabla de Resumen [1 punto]

Para generar la tabla de resumen:

Utilizar la tabla de resultados esperados como guía para desarrollar este punto.

Resultado Esperado

race/ethnicity simple parental level of education math score reading score writing score GPA count percentage
0 group A college 4.74 5 4.89 4.88 24 2.74 %
1 postgraduate 4.69 5.23 5.35 5.09 2 0.23 %
2 school 4.57 4.73 4.56 4.62 51 5.83 %
3 group B college 5.07 5.26 5.19 5.18 54 6.17 %
4 postgraduate 4.91 5.69 5.55 5.38 5 0.57 %
5 school 4.69 4.89 4.76 4.78 107 12.23 %
6 group C college 5.02 5.37 5.35 5.25 102 11.66 %
7 postgraduate 4.92 5.14 5.1 5.06 15 1.71 %
8 school 4.76 5.02 4.92 4.9 155 17.71 %
9 group D college 5.11 5.25 5.25 5.2 70 8.0 %
10 postgraduate 5.22 5.54 5.73 5.5 20 2.29 %
11 school 5.02 5.13 5.11 5.09 149 17.03 %
12 group E college 5.54 5.45 5.45 5.48 52 5.94 %
13 postgraduate 5.54 6.03 5.89 5.82 6 0.69 %
14 school 5.4 5.31 5.16 5.29 63 7.2 %

Visualizaciones [0.5 Puntos]

Ahora, implemente un gráfico de caja en donde se muestre el GPA con respecto al nivel educacional y que la variable de color sea la etnicidad y luego comente.

El rector, basado en su experiencia, cree fuertemente que el nivel educacional y la etnia de los padres influyen en las notas que obtienen sus hijos. Como científicos de datos, ud. y su equipo creen que deben encontrar evidencia para confirmar o refutar la hipótesis del rector.

Para esto, deciden generar dos análisis: una tabla de resumen por una parte y gráficos de caja por otro.

Utilizar la tabla de resultados esperados como guía para desarrollar este punto.

Justifique:

  1. ¿Hay alguna diferencia entre los grupos graficados tanto para el nivel educacional de los padres como también para la etnicidad?

R: Respecto al nivel educacional de los padres, si es posible afirmar que para todos los grupos etnicos a mayor educación de los padres, mejores promedios tienen en general los hijos. En cambio, para la raza/etnia, si bien hay diferencias dentro de cada nivel educacional con respecto a los grupos, no son realmente significactivas como para decir que influyen realmente, pues hay raza/etnias que destacan en ciertos niveles educativos pero no en otros, como pasa con el Grupo D que destaca en el nivel educativo "School" pero no tanto en las otras 2.

Respecto al Grupo A si se podría decir que tiene un rendimiento por debajo de la media con respecto a los otros grupos en todos los niveles educativos de los padres, pero como es una tendencia de una de cinco razas estudiadas, no se puede concluir con respecto a ella.

Tambien para este analisís es importante considerar el número de estudiantes pertenecientes a cada raza, donde destaca nuevamente el Grupo A con menor cantidad de alumnos dentro de las 5 razas para todos los niveles educacionales de los padres. Siendo este numero tan reducido con respecto al resto, esto podría causar sesgos y errores por falta de información.

  1. ¿Este gráfico permite hacer facilmente un análisis conjunto de estas dos variables de forma sencilla?

R No, dado que al ser tantos grupos etnicos se hace engorrosa la comparación entre cada subgrupo del nivel educacional, para este caso es mejor observar la tabla. También ocurre que en los boxplots se oculta la información de la cantidad de sujetos por subgrupos, lo cual es imporante al momento de observar tendencias que es lo que "el rector" intenta afirmar. Por tanto, este gráfico realmente NO permite un análisis sensillo de las variables.

3. Combinar Dataset [1 punto]

Mientras le notificaba por videollamada los resultados de sus descubrimientos a Don Caguayo, un exaltado practicante del area de TI entra a la reunión y les informa que ha encontrado una nueva base de datos que cuenta con las notas de dos asignaturas (en escala chilena): historia y ciencias. Para más remate, antes de huir, el practicante les cuenta que este dataframe lamentablemente contiene nuevamente los alumnos de los registros corruptos que ud. y su equipo filtraron en el análisis anterior.

El rector (evidentemente molesto por la situación) les ruega incluir estos datos (vaciados en el archivo other_grades.csv) al estudio original(students_grades.csv).

Para esto, carge el archivo other_grades.csv y busque la forma de unir ambos DataFrames, de tal manera que las columnas de history score y science score se anexen al final del DataFrame original. NO LIMPIE LOS DATOS, si no que explore los distintos tipos de merge para encontrar el mas situable para su situación (y así evitar buscar duplicados).

To-Do

Hint: Puede explicar los resultados del merge a través de la cantidad de filas resultantes y los valores que estas contienen.

Justificación:

Se toma como referencia el df principal aquel que va a la "izquierda de la union", en este caso df_grades, y como df secunadrio o bien "aquel que va a la derecha de la union" el df "other_grades".

En conclusión, el mejor para este caso es el left join dado que se tiene un df principal y solo quiere agregar la información nueva y no perder la que ya se tiene.

2.1 Más visualizaciones [0.5 puntos]

Genere dos visualizaciones extras que encuentre interesantes (y no triviales) con estos datos y explique sus resultados. Agrupe los atributos que estime convenientes.

To-Do:

NOTA: No utilice historia ni ciencias, son notas generadas aleatoriamente.

Se generan 2 nuevas visualizaciones siguiendo el tipo de gráfico de la parte 1 de este lab, en los cuales se puede observar respectivamente:

Si bien el analisis de estos gráficos es sobre las mismas variables trabajadas en la parte anterior, una visualización de una menor dimensionalidad y atraves de un histograma permite una mejor comprensión del problema, pues se añade de forma directa el analisis de la cantidad de elementos por grupo, lo cual queda oculto con las boxplots.

Se repite el ejercicio anterior, pero esta vez reutilizando el grafico tipo boxplot, donde se observa respectivamente:

Conclusión

Eso ha sido todo para el lab de hoy, recuerden que el laboratorio tiene un plazo de entrega de una semana y tienen hasta 3 días de atraso usando sus días comodín. Cualquier duda del laboratorio, no duden en contactarnos por mail o U-cursos.



Created in deepnote.com Created in Deepnote